数据科学和万物的互联网（即物联网IOT）作为科技的未来，经常被用来相互比较孰好孰坏，事实上它们是相辅相成互为补充。他们之间为什么存在这样的关系？这就需要我们弄明白数据科学和物联网分别是什么，当它们结合在一起时能够创造出什么。在这之前，请记住：物联网已经开始改变我们的生活了，用行业专家的话来说，物联网只是机器主宰世界的开始。
什么是物联网
“如果你认为互联网已经深深地改变你的生活，那么物联网即将对你的生活进行颠覆性的改变！”——Brendan O’Brien
那么到底什么是物联网呢？物联网（IOT），就是各种物件组成的互联网，在物联网中的每一个物件或设备都有其唯一的IP地址并且和互联网相连。这些互联的物件——确切地说是机器或设备，既可以收集数据也可以交换数据。简单地说，物联网就是一系列能够收集数据并将其发送到互联网的设备或机器组成的网络。简言而之，一个巨大的、异构的、互不相同物件的集合被称为物联网（IOT）。物联网的目的在于收集并整合在众多领域中实际使用的各种各样的物件信息并向它们提供服务。
数据科学和物联网—它们是如何联系在一起
行业专家Daniel Christi——詹姆斯·库克大学工程系主任曾说：“数据科学为物联网系统提供重要的价值创造功能。
Christie认为，数据科学获取并使用从物联网和其他科技领域收集的数据，它通过可视化分析把这些数据转换为具有价值的决策，进而帮助企业和机构组织减少业界竞争并领先于其他竞争对手。数据科学的构成特点允许其从物联网的使用及部署中提取并学习有价值的信息。
随着数据科学和数据这两个词席卷企业界，企业负责人和领导者明白数据的收集和分析对提高他们的企业生产效率和竞争力的重要性。
虽然企业产生并处理数据已有相当长的时间，而物联网的到来彻底改变了游戏规则。与传统方式收集数据相比，通过物联网收集的数据使用了不同的技术对其进行分析。
传统数据科学和物联网
事实上，根据专家的说法，传统的数据科学家需要更先进复杂的技能来分析研究来自物联网的数据。但是怎么才能掌握这些技能呢？答案是通过数据科学认证，这听起来很简单，实际上没有那么简单。
数据科学认证让你拥有能分析研究物联网数据的最新技能。下面是物联网数据科学家所需的一些重要技能：
- 大数据——实时数据流分析技能（Real-Time Streaming Analytics）
- 机器学习——强化学习技能（Reinforcement Learning）
除以上技能外，云计算、边缘计算（Edge Computing）和物联网计算硬件（IOT Computing Hardware）知识这些也是作为物联网数据科学家所需要的。
我们现在了解了物联网和数据科学是什么以及它们之间的关系，下面我们了解一下物联网的应用案例。在 Eric Schmidt 和 Jared Cohen 合著的《新数字时代》一书中有关于物联网应用的描述。在书中，作者描述了在未来的早晨，将没有传统的闹钟把人从睡梦中叫醒，取而代之的是，清晨随着窗帘自动的打开，阳光洒在弥漫着咖啡香气的房间，人们在高科技床铺的轻柔按摩下慢慢地醒来，这种新的叫醒方式避免了人体快速眼球运动（REM）周期受到干扰，更利于人们的身体健康。
上面的例子是物联网应用的一个场景，那么未来人们将怎样去上班呢？如预期的那样，无人驾驶汽车将是人们未来通勤的首选。更重要的是，无人驾驶汽车会根据你的日历安排精确知道你每天上班的时间，它不仅能获取路况等交通数据，还可以和你的手表进行通信。那你的手表将会如何做呢？在你将要离开时间的前60分钟，它开始计时，并计时即将结束时给予你提醒。
怎么样？这是不是好像在看一个未来的电影？但这些确是即将成为现实。根据行业专家的预测，现在的世界将在5到8年后就会变成如上面例子描述的那样。这就是物联网对我们世界产生的影响。
那么数据科学在这里有什么作用呢？为什么说数据科学对物联网如此重要呢？虽然传统数据科学和物联网数据科学存在着相似性，但他们之间也有着显著的差异：
- 物联网数据科学家不仅和无线通信打交道，也和硬件设施打交道
- 边缘处理(Edge Processing)是物联网发展的方向。在传统的数据科学中，大数据通常存储在云端； 但物联网并非如此，在物联网中，数据是用于边缘分析的
- 物联网需要依赖于物联网垂直领域的分析模型，传统数据科学则使用不同的算法进行分析，而物联网则使用时间序列模型进行分析，如ARIMA，Holt-Winters和移动平均法。它们的差异不仅在于数据量，还在于对实时和更复杂的相同模型上的实现方式。
- 传感器融合（Sensor fusion）在物联网中发挥着重要作用。传感器融合采集的数据信息包括来自对比源的混合数据和传感器本身数据，与单独使用传感器的情况相比，传感器融合减少了采集数据的不确定性。
未来将属于物联网和物联网数据科学家的，着重于物联网的数据科学将专注于以下技术：
- 实时处理技术
- 地理空间数据分析技术
- 边缘计算和内存处理技术
- 认知计算技术
- 时间序列数据分析技术
虽然数据科学现在并没有过时，但获取新的知识和技能使自己和未来科技保持相关并与其同步将对自己非常有益。
{测试窝原创译文，译者：敏子}
